Analytisches CRM: Methoden und Fallbeispiele

Kundenmuster erkennen mit Data Mining

Immer häufiger setzt man in neuerer Zeit auch Data Mining zur Analyse von Kundendaten ein. Dabei wird ein großes, komplexes Datenvolumen nach Mustern durchsucht, um neue, handlungsrelevante Zusammenhänge zu entdecken. Beispielsweise können mit Data Mining aus Kundendaten allgemeine Kundenprofile hergeleitet werden oder zukünftige Trends bei Verkaufszahlen prognostiziert werden.

Der wesentliche Unterschied zwischen OLAP und Data Mining ist, dass OLAP mit bereits definierten Dimensionen und Zusammenhängen arbeitet, und die Fragestellungen bzw. Hypothesen vorgegeben sind. Beim Data Mining hingegen sucht man - ausgehend von den Daten - nach neuen, unbekannten Mustern. Data Mining ist damit ein typischer Bottom-Up-Ansatz, der theoretisch und datengeleitet nach Hypothesen, etwa zum Kundenverhalten, sucht. Ziel ist der Gewinn von empirischen Regeln und Prognosen für die Geschäftstätigkeit.

Systematisch betrachtet lassen sich mit Data Mining folgende CRM-relevante Merkmale prognostizieren: Die Kaufwahrscheinlichkeit eines Kunden („Kunde x kauft Produkt y mit Wahrscheinlichkeit p“), die Kundenloyalität bzw. das Abwanderungsrisiko, die Rentabilität der Kundenbeziehung oder das Betrugs- und Insolvenzrisiko für einen Kunden.

Data Mining ist allerdings keine vollautomatisierte Frage-Antwort-Lösung, sondern ein komplexes Verfahren, in dessen Zentrum die Modellbildung steht. Nach einer Selektion und Aufbereitung von Daten wird das Verhalten der Kunden in einem statistischen Modell abgebildet. Genaueres hierzu erfahren Sie in dem Beitrag „Data Mining Phasen und Vorgehensschritte“.

Für die Modellbildung stehen eine Reihe verschiedener Verfahren zur Verfügung. Dazu gehören beispielsweise Entscheidungsbaumanalyse, Clusteranalyse, Regressionsanalyse, Neuronale Netze und einige andere mehr. Diese Methoden lassen sich für unterschiedlichste Ziele und Aufgaben einsetzen.

Die Entscheidungsbaumanalyse kann beispielsweise zur Klassifikation von Kunden mit unterschiedlichen Kreditrisiken genutzt werden. Mit Regressionsverfahren lassen sich Absatzzahlen für bestimmte Produkte oder Produktgruppen prognostizieren. Clustermethoden segmentieren Kunden automatisch in verschiedene Käufergruppen. Und die Assoziationsanalyse führt zur Entdeckung von Abhängigkeiten, etwa, dass Käsekäufer auch oft Rotwein in den Warenkorb legen. Data Mining Verfahren, die sich auch im CRM einsetzen lassen, sind im Beitrag „Data Mining im Detail“ beschrieben.